Face pressure identification method based on intelligent detection of coal cutting cycles
-
摘要:
基于液压支架工作阻力数据进行工作面来压判识需解决2个问题：一是如何从海量的工作阻力数据中提取循环末阻力数据，二是如何有效利用提取出的循环末阻力数据对工作面是否来压实现有效判断。现有的循环末阻力提取方法大多依赖固定规则和经验值参数，在复杂工作面环境下准确性低且适应性差。针对该问题，提出一种基于割煤循环智能检测的工作面来压判识方法。将割煤循环检测转化为二分类问题，使用支持向量机分类器对割煤循环结束时刻进行智能检测，以自动判别割煤循环的结束时刻；在获取所有割煤循环结束时刻的基础上，提取各支架循环末阻力数据；通过数据融合生成能够反映工作面整体压力状态的单序列数据，并基于来压判定公式进行工作面来压判识。基于不连沟煤矿某工作面的液压支架工作阻力数据进行实验，结果表明，该方法割煤循环检测的精确率、召回率、F1分数分别为85.91%，81.84%，83.83%，来压判识的精确率、召回率、F1分数分别为79.43%，78.76%，79.09%，均优于滑动窗口极值法和阈值法，在识别循环末阻力和工作面来压判识方面具有显著优势。
Abstract:The method for identifying face pressure based on hydraulic support working resistance data needs to address two issues: first, how to extract the cycle-end resistance data from large volumes of working resistance data, and second, how to effectively utilize the extracted cycle-end resistance data to determine whether face pressure is occurring. Most existing methods for extracting cycle-end resistance rely on fixed rules and empirical parameter values, which have low accuracy and poor adaptability in complex working face environments. To address this issue, an intelligent detection method for face pressure identification based on coal cutting cycles was proposed. Coal cutting cycle detection was transformed into a binary classification problem, using a support vector machine (SVM) classifier to intelligently detect the end time of coal cutting cycles, automatically identifying the end of each coal cutting cycle. After obtaining the end times of all coal cutting cycles, the cycle-end resistance data for each support was extracted. Data fusion was performed to generate a single sequence of data that reflects the overall pressure state of the working face. Face pressure identification was then made based on a pressure judgment formula. Experiments were conducted on hydraulic support working resistance data from a working face in a non-contiguous coal mine. The results showed that the proposed method had precision, recall, and F1 scores of 85.91%, 81.84%, and 83.83%, respectively, for coal cutting cycle detection, and precision, recall, and F1 scores of 79.43%, 78.76%, and 79.09%, respectively, for face pressure identification These results are superior to the sliding window extreme value method and threshold method, demonstrating significant advantages in cycle-end resistance identification and face pressure judgment.
-
0. 引言
随着我国煤炭开采量的持续增长，矿井开采深度逐渐增大，井下风温升高，许多矿井的开采条件恶化，热害问题日益突出，严重制约着深部煤炭资源的安全高效开采。为准确评估矿井热害程度，制定科学合理的降温措施，改善井下高温作业环境，矿井风温预测至关重要。
近年来机器学习在岩爆指标预测[1-2]、瓦斯涌出量预测[3-4]、瓦斯渗透率预测[5-6]等方面广泛应用，取得了较好的成果，在矿井风温预测方面也有学者进行了研究。高佳南等[7]通过粒子群优化（Particle Swarm Optimization，PSO）算法对支持向量回归（Support Vector Regression，SVR）参数进行优化，建立了矿井淋水井筒风温预测模型，提高了风温预测精度。纪俊红等[8]使用网格搜索算法和K折交叉验证优化XGBoost模型，建立了井底风温预测模型，解决了XGBoost模型参数多、复杂性大的问题。吕品等[9]首次建立了基于BP神经网络的矿井淋水井筒风温预测模型，为矿井风温预测提供了新思路。张翔等[10]建立了基于PSO−BP的淋水井筒风温预测模型，通过PSO算法优化BP神经网络，解决了BP神经网络易陷入局部最优的问题。马恒等[11]结合模糊方法和人工神经网络，建立了淋水井筒的T−S模糊神经网络风温预测模型，提高了预测模型的精度。段艳艳[12]利用支持向量机（Support Vector Machine, SVM）强大的非线性能力，建立了基于SVM的矿井风温预测模型。张群[13]建立了基于改进BP神经网络的井底风温预测模型，通过trainlm函数对 BP 神经网络进行优化，解决了BP神经网络收敛速度慢的问题。
上述研究为井下热害防治提供了理论依据。在井下风温预测过程中，大多数学者采用具有强大非线性处理能力的BP神经网络，但其预测精度受学习样本数量的影响，且容易陷入局部最优。Elman神经网络是一种动态的前馈性神经网络，其隐含层中增加了一个承接层，可认为是延时算子，主要用于隐含层前一时刻输出值的记忆和存储。与BP神经网络相比，延时算子使Elman神经网络具备局部记忆能力，提高了神经网络的稳定性和动态适应能力。但Elman神经网络仍然存在收敛速度过慢、易陷入局部最优的问题。本文采用PSO算法对Elman神经网络的权重和阈值进行优化调整，建立了基于PSO−Elman神经网络的井底风温预测模型，并通过19个矿井的实测数据[8,10-11,14]进行验证。
1. 基于PSO−Elman的井底风温预测模型
1.1 Elman神经网络
Elman神经网络主要由输入层、隐含层、承接层和输出层构成，如图1所示。承接层属于内部反馈连接，其神经元与隐含层神经元一一对应。
$$ x\left(k\right)=f\left({{\boldsymbol{w}}}_{1}{x}_{{\mathrm{c}}}\left(k\right)+{{\boldsymbol{w}}}_{2}u\left(k-1\right)+{b}_{1}\right) $$ (1) $$ y\left(k\right)=h\left({{\boldsymbol{w}}}_{3}x\left(k\right)+{b}_{2}\right) $$ (2) $$ {x}_{{\mathrm{c}}}\left(k\right)=x\left(k-1\right) $$ (3) 式中：$ x\left(k\right) $为第k次循环隐含层输出；$ f\left( \cdot \right) $为隐含层的激励函数；$ {{\boldsymbol{w}}}_{1} $，$ {{\boldsymbol{w}}}_{2} $分别为输入层到隐含层、承接层到隐含层的连接权重矩阵；$ {x}_{{\mathrm{c}}}\left(k\right) $为第k次循环承接层输出，对应第k−1次循环隐含层输出；$ u\left(k-1\right) $为网络输入；$ {b}_{1} $，$ {b}_{2} $分别为输入层到隐含层、隐含层到输出层的阈值；${\boldsymbol{w}}_3 $为输出层的权重矩阵； $ y\left(k\right) $为输出层输出，即预测的风温；$ h\left( \cdot \right) $为输出层的激励函数。
1.2 PSO算法
PSO 算法是一种全局优化算法，通过个体间相互作用对可行解空间进行迭代搜索，最终获得最优解[19-21]。PSO算法流程如图2所示。首先对参数和粒子进行初始化，计算适应度，更新粒子速度和位置，更新种群；然后引入变异算子，重新初始化粒子，计算新粒子适应度；最后确定个体最优解和全局最优解，当达到设定的迭代次数时结束迭代。
粒子速度和位置更新公式为
$$ v_i^t = \omega v_i^{t - 1} + {c_1}{r_1}\left( {l_{{{\mathrm{pbest}}}_i^t} - X_i^t} \right) + {c_2}{r_2}\left( {l_{{{\mathrm{gbest}}^t}} - X_i^t} \right) $$ (4) $$ X_i^{t + 1} = X_i^t + X_i^t $$ (5) 式中：$ {v}_{i}^{t} $为第$ i $个粒子在第$ t $次迭代时的速度；$ \omega $为惯性权重，$ \omega $∈[0，1.4]；$ {c}_{1} $，$ {c}_{2} $为学习因子；$ {r}_{1} $，$ {r}_{2} $为[0，1]的随机数，用于增加搜索的随机性；$ l_{{\mathrm{{pbest}}}_{i}^{t}} $为第$ i $个粒子在第$ t $次迭代时经过的最好位置，即局部最优解；$ {X}_{i}^{t} $为第$ i $个粒子在第$ t $次迭代时的位置；$ l_{{{\mathrm{gbest}}}^{t}} $为所有粒子在第$ t $次迭代时经过的最好位置，即全局最优解。
1.3 PSO−Elman模型流程
利用PSO算法优化Elman神经网络，建立井底风温预测模型，其流程如图3 所示。
1） 确定Elman网络各层结构。影响井底风温的主要因素有4个，分别为入风相对湿度、入风温度、地面大气压力和井筒深度，因此输入数据为4维。输出为井底风温，因此输出数据为1维。设计Elman网络结构为4−9−1，即输入层节点个数为4，隐含层节点个数为9，输出层节点个数为1。
2） 归一化处理。对样本数据进行归一化处理，生成模型训练样本集。
3） 新建Elman网络。训练函数选用traingdm，输入层和输出层的传递函数分别选用tansig，purelin。算法参数设置：PSO算法最大迭代次数为100，种群数目为20，惯性权重$ {\omega }={1.2} $，学习因子$ {{c}}_{\text{1}}{=}{{c}}_{\text{2}}{=2} $，最大更新速度为1，最小更新速度为−1。
4） 产生初始粒子。产生一个初始种群，初始化粒子的速度，计算适应度，并初始化粒子全局最优解和局部最优解。
5） 迭代寻优。更新粒子速度和位置，更新种群；引入变异算子，重新初始化粒子，计算新粒子适应度，确定局部最优解和全局最优解，将每代最优解记录到数组中。
6） 训练Elman神经网络。设置最大迭代次数为100，训练目标最小误差为10−5，学习速率为0.1。
7） 预测井底风温。用训练好的模型进行井底风温预测。
1.4 预测结果评估
采用平均绝对误差（Mean Absolute Error，MAE）、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）、均方误差（Mean−Square Error，MSE）和决定系数R2对井底风温的预测结果进行评价。
MAE是预测值误差实际情况的反映，其计算公式为
$$ E_{{\mathrm{MA}}} = \frac{1}{n}\sum\limits_{j = 1}^n {\left| {{P_j} - {A_j}} \right|} $$ (6) 式中：$ n $为数据个数；$ {P}_{j} $为预测值；$ A_j $为测量值。
MAPE是相对误差度量值，其计算公式为
$$ E_{\mathrm{MAP}} = \frac{1}{n}\sum\limits_{j = 1}^n {\left| {\frac{{{P_j} - {A_j}}}{{{A_j}}}} \right|} \times 100{\text{%}} $$ (7) MSE是预测值与测量值之差的平方的期望值，其值越小，表示预测模型的精度越高。MSE计算公式为
$$ E_{\mathrm{MS}} = \frac{1}{n}{\sum\limits_{j = 1}^n {\left( {{P_j} - {A_j}} \right)} ^2} $$ (8) 决定系数反映测量值与预测值的分布趋势，其值越接近1，表示相关性越强。决定系数计算公式为
$$ {R^2} = 1 - \frac{{\displaystyle\sum\limits_{j = 1}^n {{{\left( {{A_j} - {P_j}} \right)}^2}} }}{{\displaystyle\sum\limits_{j = 1}^n {{{\left( {{A_j} - \overline A } \right)}^2}} }} $$ (9) 式中$\overline A $为测量值的平均值。
2. 实验及结果分析
2.1 样本数据来源
将入风相对湿度、入风温度、地面大气压力和井筒深度作为模型的输入数据。风流自井口流入井下，地面风流温度和地面大气压力影响井筒风温。自压缩热是井底最主要的热源，空气的自压缩热对井筒风温影响较大，井筒深度与风流压缩密切相关，因此，井筒深度也影响井筒风温。井筒一般有淋水现象，风流和井筒淋水间存在热湿交换。地面入风的相对湿度影响风流与淋水巷道的湿交换程度。
选用19个矿井的65 组数据作为样本数据。其中前55组数据作为训练集，用于构建预测模型；后10组数据作为测试集，用于检验模型预测效果。部分样本数据见表1。
表 1 样本数据Table 1. Sample data序号 地面大气
压力/Pa入风
温度/℃入风相对
湿度/%井筒
深度/m井底
风温/℃1 99862.8 26.8 80.23 558.90 25.6 2 99936.2 27.7 76.78 558.90 27.8 3 99868.9 26.5 80.05 552.50 26.5 4 99982.3 27.6 74.26 552.50 27.6 5 99965.1 26.8 78.88 673.20 25.3 $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ 63 92240.0 14.0 51.70 417.54 16.2 64 91860.0 13.8 58.40 417.54 16.0 65 91420.0 12.2 67.60 417.54 15.2 2.2 预测结果分析
在相同的训练集下，比较Elman模型与PSO−Elman模型的收敛速度，二者的进化曲线如图4所示。可看出Elman模型迭代90次后收敛，而PSO−Elman模型迭代41次后收敛，说明PSO−Elman模型收敛速度更快。
为验证基于PSO−Elman的井底风温预测模型的预测效果，将BP神经网络模型、SVR模型、Elman模型与PSO−Elman模型进行比较。BP神经网络模型利用Matlab软件自带的BP神经网络工具箱进行预测，BP神经网络结构为4−7−1；SVR模型的惩罚因子C=22.627 4，核函数参数$g $=0.031 3；Elman模型的神经网络结构为4−8−1；PSO−Elman模型的神经网络结构为4−9−1。利用相同的训练数据集和测试数据集，比较4种模型的预测精度，结果见表2。分析可知，BP神经网络模型、SVR模型、Elman模型与PSO−Elman模型的相对误差范围分别为−6.01%～17.02%，−9.52%～1.41%，−7.91%～0.70%，−6.55%～1.12%，PSO−Elman模型的相对误差最小，预测效果最好。
表 2 4种模型的井底风温预测结果及误差Table 2. Prediction results and errors of bottom air temperature of four models样本
编号真实
值/℃BP神经网络模型 SVR模型 Elman模型 PSO−Elman模型 预测
值/℃绝对误
差/℃相对误
差/%预测
值/℃绝对误
差/℃相对误
差/%预测
值/℃绝对误
差/℃相对误
差/%预测
值/℃绝对误
差/℃相对误
差/%1 27.9 27.2131 −0.6869 −2.46 27.8983 −0.0017 −0.01 27.7709 −0.1291 −0.46 27.8026 −0.0974 −0.35 2 27.6 26.9595 −0.6405 −2.32 27.7180 0.1180 0.43 27.0653 0.0053 0.02 27.6048 0.0048 −0.02 3 28.9 27.2982 −1.6018 −5.54 27.9765 −0.9235 −3.20 27.8461 −1.0539 −3.65 27.8981 −1.0019 −3.47 4 27.4 27.1367 −0.2633 −0.96 27.6248 0.2248 0.82 27.5246 0.1246 0.45 27.6149 0.2149 0.78 5 28.0 27.4548 −0.5452 −1.95 28.3935 0.3935 1.41 28.1950 0.1950 0.70 28.1494 0.1494 0.53 6 16.2 16.4894 0.2894 1.79 15.2606 −0.9394 −5.80 15.1536 −1.0464 −6.46 16.3820 0.1820 1.12 7 15.8 14.8908 −0.9092 −5.75 14.6212 −1.1788 −7.46 14.6948 −1.1052 −6.99 14.7649 −1.0351 −6.55 8 16.2 15.2269 −0.9731 −6.01 15.0037 −1.1963 −7.38 14.9791 −1.2209 −7.54 15.4598 −0.7402 −4.57 9 16.0 16.4385 0.4385 2.74 14.8663 −1.1337 −7.09 14.8427 −1.1573 −7.23 15.7786 −0.2214 −1.38 10 15.2 17.7870 2.5870 17.02 13.7536 −1.4464 −9.52 13.9971 −1.2029 −7.91 15.3130 0.1130 −0.74 4种井底风温预测模型在测试集上的预测结果和误差分别如图5、图6所示。从图5可看出，相比于其他模型，PSO−Elman模型的预测值与真实值曲线更为接近，说明其预测效果更好。从图6可看出，PSO−Elman模型的预测误差最小，说明该预测模型的准确性和可靠性最高。
![]()
图 5 4种预测模型在测试集上的预测结果Figure 5. Prediction results of four prediction models on test set![]()
图 6 4种预测模型在测试集上的预测误差Figure 6. Prediction errors of four prediction models on test set4种预测模型的评估指标见表3。可看出，与BP神经网络模型、SVR模型和Elman模型相比，PSO−Elman模型预测误差更低，MAE，MSE，MAPE分别为0.376 0 ℃，0.278 3，1.95%。4种模型的决定系数$ {{R}}^{\text{2}} $非常接近1，表明预测模型具有良好的预测效果。实验结果表明，PSO−Elman模型具有较高的稳定性和准确性。
表 3 4种预测模型的评估指标Table 3. Evaluation indicators of four prediction models模型 MAE/℃ MSE MAPE/% $ {R}^{2} $ BP神经网络 0.8935 1.2557 4.65 0.9658 SVR 0.7556 0.8153 4.31 0.9985 Elman 0.7241 0.7774 4.14 0.9788 PSO−Elman 0.3760 0.2783 1.95 0.9924 3. 实例验证
为了进一步验证PSO−Elman模型的预测精度及通用性，于2022年10月3日实测了河南省安阳市某矿井的5组数据，利用训练好的模型进行井底风温预测。井下实测数据见表4，预测数据评估结果见表5，井底风温预测值与真实值对比如图7所示。
表 4 井下实测数据Table 4. Underground measured data测点位置 入风温度/℃ 入风相对
湿度/%地面大气
压力/Pa井筒深度/m 井底风温/℃ 副井 20.8 71.40 104610 521.5 24.3 21.2 82.00 104660 521.5 23.0 回风联络巷 21.6 88.00 102668 521.5 22.6 一车场 21.8 86.90 104633 521.5 22.8 运输大巷 22.4 78.80 106604 521.5 24.6 表 5 井底风温预测数据评估结果Table 5. Evaluation results of prediction data of bottom air temperature真实值/℃ 预测值/℃ 绝对误差/℃ 相对误差% MSE 24.3 24.46 0.14 0.66 0.26 23.0 22.82 −0.18 −0.78 22.6 21.54 −1.06 −4.69 22.8 23.09 0.29 1.27 24.6 24.38 −0.22 −0.89 分析表5与图7可知，PSO−Elman模型的相对误差范围为−4.69%～1.27%，绝对误差范围为−1.06～0.29 ℃，MSE为0.26，整体预测精度可满足井下实际需要，验证了PSO−Elman模型在井底风温预测中应用具有可行性。
![]()
图 7 井底风温预测值与真实值对比Figure 7. Comparison between predicted and actual values of bottom air temperature4. 结论
1） 在相同的训练样本数据下，Elman模型迭代90次后收敛，PSO−Elman模型迭代41次后收敛，说明PSO−Elman模型收敛速度更快。
2） BP神经网络模型、SVR模型、Elman模型与PSO−Elman模型的相对误差范围分别为−6.01%～17.02%，−9.52%～1.41%，−7.91%～0.70%，−6.55%～1.12%，PSO−Elman模型的相对误差最小，预测效果最好。
3） 与BP神经网络模型、SVR模型和Elman模型相比，PSO−Elman模型的预测误差更低，MAE，MSE，MAPE分别为0.376 0 ℃，0.278 3，1.95%，决定系数$ {{R}}^{\text{2}} $为0.992 4，非常接近1，表明预测模型具有良好的预测效果。
4） 实例验证结果表明，PSO−Elman模型的相对误差范围为−4.69%～1.27%，绝对误差范围为−1.06～0.29 ℃，MSE为0.26，整体预测精度可满足井下实际需要。
-
表 1 割煤循环检测实验结果
Table 1 Experimental results of coal cutting cycle detection
% 方法 精确率 召回率 F1分数 滑动窗口极值法 57.89 55.13 56.48 阈值法 82.86 55.99 66.83 本文方法 85.91 81.84 83.83 
下载: 导出CSV
表 2 来压判识实验结果
Table 2 Experimental results of face pressure identification %
方法 精确率 召回率 F1分数 滑动窗口极值法 77.59 76.68 77.13 阈值法 64.46 65.12 64.79 本文方法 79.43 78.76 79.09
下载: 导出CSV
-
[1] 罗香玉,杜浩,华颖,等. 一种煤矿顶板灾害防治知识图谱构建方法[J]. 工矿自动化,2024,50(6):54-60. LUO Xiangyu,DU Hao,HUA Ying,et al. A method for constructing a knowledge graph of coal mine roof disaster prevention and control[J]. Journal of Mine Automation,2024,50(6):54-60.
[2] 赵亚军,张志男,贾廷贵. 2010—2021年我国煤矿安全事故分析及安全对策研究[J]. 煤炭技术,2023,42(8):128-131. ZHAO Yajun,ZHANG Zhinan,JIA Tinggui. Analysis of coal mine safety accidents and research on safety countermeasures in China from 2010 to 2021[J]. Coal Technology,2023,42(8):128-131.
[3] 赵丽娟,李迎,吕文陵,等. 基于灰色关联分析法的煤矿顶板事故研究及防治[J]. 矿业安全与环保,2024,51(6):54-62. ZHAO Lijuan,LI Ying,LYU Wenling,et al. Research and prevention of coal mine roof accident based on grey correlation analysis[J]. Mining Safety & Environmental Protection,2024,51(6):54-62.
[4] 王昊,李杰,郑闯凯,等. 煤矿采场顶板灾害预警技术研究进展及展望[J]. 矿业安全与环保,2024,51(2):46-52. WANG Hao,LI Jie,ZHENG Chuangkai,et al. Research progress and prospect of early warning technology of coal mine stope roof disaster[J]. Mining Safety & Environmental Protection,2024,51(2):46-52.
[5] 李宏扬. 液压支架加载形式研究及其强度分析[D]. 阜新:辽宁工程技术大学,2022. LI Hongyang. Study of hydraulic support loading form and its strength analysis[D]. Fuxin:Liaoning Technical University,2022.
[6] 吴士良,杨路林. 支架工作阻力大数据分析系统[J]. 工矿自动化,2017,43(11):86-89. WU Shiliang,YANG Lulin. Big data analysis system of working resistance of support[J]. Industry and Mine Automation,2017,43(11):86-89.
[7] 中煤科工集团重庆研究院有限公司. 基于综采工作面液压支架压力数据的周期来压判识方法:CN202411270215.5[P]. 2024-09-11. CCTEG Chongqing Research Institute. Method for pressure judgment based on the cycle of hydraulic support pressure data in comprehensive mining working face:CN202411270215.5[P]. 2024-09-11.
[8] 余琼芳,杨鹏飞,唐高峰. 基于LSTM-Informer模型的液压支架压力时空多步长预测[J]. 工矿自动化,2024,50(6):30-35. YU Qiongfang,YANG Pengfei,TANG Gaofeng. Spatiotemporal multi-step prediction of hydraulic support pressure based on LSTM-Informer model[J]. Journal of Mine Automation,2024,50(6):30-35.
[9] 王志奎. 基于支架工作阻力大数据的工作面区域矿压预测技术研究[D]. 青岛:山东科技大学,2018. WANG Zhikui. Research on prediction technology of mining area pressure based on large data of support working resistance[D]. Qingdao:Shandong University of Science and Technology,2018.
[10] 连东辉,袁瑞甫,崔科飞,等. 综采工作面自动化生产工艺研究与应用 [J/OL]. 煤炭科学技术:1-11[2024-11-24]. http://kns.cnki.net/kcms/detail/11.2402.TD.20240613.1512.005.html. LIAN Donghui,YUAN Ruifu,CUI Kefei,et al. Research and application of automatic production technology of fully mechanized Longwall working face for complex condition coal seam[J/OL]. Coal Science and Technology:1-11[2024-11-24]. http://kns. cnki.net/kcms/detail/11.2402.TD.20240613.1512.005.html.
[11] 冯银辉,宋阳,李务晋,等. 基于支架数据优化的工作面矿压预测模型研究[J]. 煤炭工程,2023,55(6):101-107. FENG Yinhui,SONG Yang,LI Wujin,et al. Mine pressure prediction model for fully mechanized working face based on data optimization of hydraulic support[J]. Coal Engineering,2023,55(6):101-107.
[12] 卢国志,胡斐,李鑫,等. 液压支架实时压力数据自动提取与动态分析方法研究[J]. 煤炭工程,2023,55(3):120-126. LU Guozhi,HU Fei,LI Xin,et al. A method for automatic extraction and dynamic analysis of real-time pressure data of hydraulic support[J]. Coal Engineering,2023,55(3):120-126.
[13] 尹希文,徐刚,刘前进,等. 基于支架载荷的矿压双周期分析预测方法[J]. 煤炭学报,2021,46(10):3116-3126. YIN Xiwen,XU Gang,LIU Qianjin,et al. Method of double-cycle analysis and prediction for rock pressure based on the support load[J]. Journal of China Coal Society,2021,46(10):3116-3126.
[14] 陈毅琪,刘长友,刘锦荣,等. 时空特征统一建模的支架阻力连续性分类及来压特征研究[J]. 采矿与安全工程学报,2024,41(6):1202-1211. CHEN Yiqi,LIU Changyou,LIU Jinrong,et al. Support pressure continuity classification and mine pressure characteristics by unifying spatiotemporal characteristics modeling[J]. Journal of Mining & Safety Engineering,2024,41(6):1202-1211.
[15] 杨柯,熊祖强,王春,等. 综采工作面液压支架阻力精准采集及分析技术研究[J]. 中国煤炭,2024,50(12):131-139. YANG Ke,XIONG Zuqiang,WANG Chun,et al. Research on precise acquisition and analysis technology of hydraulic support resistance in fully mechanized mining face[J]. China Coal,2024,50(12):131-139.
[16] 中煤科工开采研究院有限公司,阳泉煤业(集团)有限责任公司. 工作面液压支架初撑力与循环末阻力的判识方法和系统:202011056466.5[P]. 2020-09-30. CCTEG Coal Mining Research Institute,Yangquan Coal (Group) Co. ,Ltd. Method and system for identifying the initial support force and the resistance at the end of the cycle of the hydraulic support of the working face:202011056466.5[P]. 2020-09-30.
[17] CORTES C,VAPNIK V. Support-vector networks[J]. Machine Learning,1995,20(3):273-297.
[18] LI Haodong. An overview on remote sensing image classification methods with a focus on support vector machine[C]. International Conference on Signal Processing and Machine Learning,Stanford,2021:50-56.
[19] 潘黎明. 基于综合分析法的大采高综放采场来压特征研究[J]. 煤炭科学技术,2015,43(8):60-66. PAN Liming. Study on roof weighting features of high cutting height fully-mechanized top coal caving mining face based on comprehensive analysis method[J]. Coal Science and Technology,2015,43(8):60-66.
[20] 路建军,周宏范,冯明,等. 综采工作面来压步距预测及修正方法研究[J]. 煤炭工程,2022,54(11):118-123. LU Jianjun,ZHOU Hongfan,FENG Ming,et al. Prediction and correction method of weighting interval for fully mechanized mining face[J]. Coal Engineering,2022,54(11):118-123.
[21] 王巍,王文,张广杰. 神东矿区浅埋大采高工作面支架−围岩耦合关系及支架适用性研究[J]. 河南理工大学学报(自然科学版),2025,44(2):32-41. WANG Wei,WANG Wen,ZHANG Guangjie. Study on the coupling relationship between support and surrounding rock and the applicability of support in shallow buried high mining faces of the Shendong Mining Area[J]. Journal of Henan Polytechnic University (Natural Science),2025,44(2):32-41.
-
期刊类型引用(5)
1. 陈湘源，饶天荣，潘涛. 基于半监督学习的煤矿井下行人检测模型. 煤炭技术. 2024(02): 231-234 . 
百度学术
2. 王娜，温静，冯佳，卢娜利，刘翠华，智佳，王子阳，黄锦. 基于人工智能深度学习算法辅助诊断早期ESCC的研究. 胃肠病学和肝病学杂志. 2024(02): 156-161 . 百度学术
3. 罗磊，谢竹逵. 基于改进YOLOv8的交通标志检测算法. 机电工程技术. 2024(03): 205-210 . 百度学术
4. 杨伟康，吕文生，杨鹏，张宇栋，党龙飞. 基于倒置残差的井下无人车目标检测研究. 矿业研究与开发. 2024(04): 222-227 . 百度学术
5. 孙林，陈圣，姚旭龙，张艳博，陶志刚，梁鹏. 煤矿井下残缺信息的多目标检测方法研究. 煤炭科学技术. 2024(S2): 211-220 . 百度学术
其他类型引用(8)
计量
- 文章访问数: 32
- HTML全文浏览量: 4
- PDF下载量: 4
- 被引次数: 13
